CÔNG THỨC 1 (F1) ô tô là phương tiện đua đường trường nhanh nhất trên thế giới. Mặc dù những chiếc ô tô bánh hở này chỉ nhanh hơn 20–30 km (hoặc 12–18 dặm) mỗi giờ so với những chiếc ô tô thể thao hàng đầu, chúng có thể tăng tốc quanh các góc nhanh gấp XNUMX lần do tính khí động học mạnh mẽ sức ép mà họ tạo ra. Lực lượng xuống là lực dọc sinh ra bởi các bề mặt khí động học ép ô tô về phía mặt đường, làm tăng độ bám từ lốp xe. Các nhà khí động học F1 cũng phải theo dõi lực cản hoặc lực cản của không khí, những yếu tố này giới hạn tốc độ đường thẳng.
Nhóm kỹ sư F1 chịu trách nhiệm thiết kế thế hệ xe F1 tiếp theo và đưa ra quy chuẩn kỹ thuật cho môn thể thao này. Trong 3 năm qua, họ đã được giao nhiệm vụ thiết kế một chiếc xe duy trì mức lực xuống và tốc độ cao nhất hiện tại, nhưng cũng không bị ảnh hưởng bất lợi khi lái sau một chiếc xe khác. Điều này rất quan trọng vì thế hệ ô tô trước có thể mất tới 50% lực xuống khi đua sát phía sau một chiếc ô tô khác do sóng nhiễu tạo ra bởi cánh và thân xe.
Thay vì dựa vào các bài kiểm tra đường đua hoặc đường hầm gió tốn thời gian và tốn kém, F1 sử dụng Tính toán chất lỏng động lực học (CFD), cung cấp một môi trường ảo để nghiên cứu dòng chảy của chất lỏng (trong trường hợp này là không khí xung quanh xe F1) mà không cần phải sản xuất một bộ phận duy nhất. Với CFD, các nhà khí động học F1 thử nghiệm các khái niệm hình học khác nhau, đánh giá tác động khí động học của chúng và tối ưu hóa thiết kế của chúng một cách lặp đi lặp lại. Trong 3 năm qua, nhóm kỹ sư F1 đã hợp tác với AWS để thiết lập quy trình làm việc CFD có thể mở rộng và tiết kiệm chi phí điều đó đã tăng gấp ba lần thông lượng của các lần chạy CFD và giảm một nửa thời gian quay vòng mỗi lần chạy.
F1 đang trong quá trình xem xét các dịch vụ học máy AWS (ML), chẳng hạn như Amazon SageMaker để giúp tối ưu hóa thiết kế và hiệu suất của ô tô bằng cách sử dụng dữ liệu mô phỏng CFD để xây dựng các mô hình với thông tin chi tiết bổ sung. Mục đích là phát hiện ra các hướng thiết kế đầy hứa hẹn và giảm số lượng mô phỏng CFD, do đó giảm thời gian cần thiết để hội tụ các thiết kế tối ưu.
Trong bài đăng này, chúng tôi giải thích cách F1 hợp tác với Dịch vụ chuyên nghiệp của AWS nhóm phát triển quy trình thiết kế Thử nghiệm (DoE) riêng do ML cung cấp để tư vấn cho các nhà khí động học F1 về các khái niệm thiết kế cần thử nghiệm trong CFD để tối đa hóa khả năng học tập và hiệu suất.
Báo cáo vấn đề
Khi khám phá các khái niệm khí động học mới, các nhà khí động học F1 đôi khi sử dụng một quy trình gọi là Thiết kế Thí nghiệm (DoE). Quá trình này nghiên cứu một cách có hệ thống mối quan hệ giữa nhiều yếu tố. Trong trường hợp cánh sau, đây có thể là hợp âm cánh, nhịp hoặc khum, liên quan đến các chỉ số khí động học như lực cản hoặc lực cản. Mục tiêu của quy trình DoE là lấy mẫu không gian thiết kế một cách hiệu quả và giảm thiểu số lượng ứng viên được kiểm tra trước khi hội tụ để đạt được kết quả tối ưu. Điều này đạt được bằng cách thay đổi lặp đi lặp lại nhiều yếu tố thiết kế, đo phản ứng khí động học, nghiên cứu tác động và mối quan hệ giữa các yếu tố, sau đó tiếp tục thử nghiệm theo hướng tối ưu nhất hoặc cung cấp thông tin. Trong hình sau, chúng tôi trình bày một ví dụ về hình học cánh sau mà F1 đã vui lòng chia sẻ với chúng tôi từ đường cơ sở UNIFORM của họ. Bốn thông số thiết kế mà các nhà khí động học F1 có thể điều tra trong một quy trình DoE được dán nhãn.
Trong dự án này, F1 đã làm việc với AWS Professional Services để điều tra việc sử dụng ML để nâng cao các quy trình DoE. Các phương pháp DoE truyền thống yêu cầu một không gian thiết kế có nhiều người để hiểu mối quan hệ giữa các thông số thiết kế và do đó dựa vào một số lượng lớn các mô phỏng CFD trả trước. Mô hình hồi quy ML có thể sử dụng kết quả từ các mô phỏng CFD trước đó để dự đoán phản ứng khí động học với tập hợp các thông số thiết kế, cũng như cung cấp cho bạn dấu hiệu về tầm quan trọng tương đối của từng biến thiết kế. Bạn có thể sử dụng những thông tin chi tiết này để dự đoán các thiết kế tối ưu và giúp các nhà thiết kế hội tụ với các giải pháp tối ưu với ít mô phỏng CFD trả trước hơn. Thứ hai, bạn có thể sử dụng các kỹ thuật khoa học dữ liệu để hiểu những vùng nào trong không gian thiết kế chưa được khám phá và có thể ẩn các thiết kế tối ưu.
Để minh họa quy trình làm việc DoE được hỗ trợ bởi ML riêng biệt, chúng tôi xem qua một ví dụ thực tế về thiết kế cánh trước.
Thiết kế cánh trước
Xe F1 dựa vào các cánh như cánh trước và cánh sau để tạo ra phần lớn lực xuống của chúng, mà chúng tôi đề cập đến trong suốt ví dụ này bằng hệ số Cz. Trong suốt ví dụ này, các giá trị downforce đã được chuẩn hóa. Trong ví dụ này, các nhà khí động học F1 đã sử dụng chuyên môn miền của họ để tham số hóa hình dạng cánh như sau (tham khảo hình sau để trình bày trực quan):
- Chiều cao LE - Chiều cao cạnh hàng đầu
- Min-Z - Giải phóng mặt bằng tối thiểu
- Góc giữa LE - Góc cạnh hàng đầu của phần tử thứ ba
- Góc TE - Góc cạnh
- Chiều cao TE - Chiều cao cạnh sau
Hình dạng cánh trước này được chia sẻ bởi F1 và là một phần của đường cơ sở UNIFORM.
Các thông số này được chọn vì chúng đủ để mô tả các khía cạnh chính của hình học một cách hiệu quả và vì trong quá khứ, hiệu suất khí động học đã cho thấy độ nhạy đáng chú ý đối với các thông số này. Mục tiêu của quy trình DoE này là tìm ra sự kết hợp của năm thông số thiết kế sẽ tối đa hóa lực xuống khí động học (Cz). Quyền tự do thiết kế cũng bị giới hạn bằng cách thiết lập các giá trị tối đa và tối thiểu cho các thông số thiết kế, như thể hiện trong bảng sau.
. | Tối thiểu | tối đa |
Chiều cao TE | 250.0 | 300.0 |
Góc TE | 145.0 | 165.0 |
Góc giữa LE | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
Chiều cao LE | 100.0 | 150.0 |
Sau khi thiết lập các tham số thiết kế, số liệu đầu ra mục tiêu và giới hạn của không gian thiết kế của chúng tôi, chúng tôi có tất cả những gì chúng tôi cần để bắt đầu với quy trình DoE. Sơ đồ quy trình làm việc của giải pháp của chúng tôi được trình bày trong hình ảnh sau. Trong phần sau, chúng ta đi sâu vào các giai đoạn khác nhau.
Lấy mẫu ban đầu của không gian thiết kế
Bước đầu tiên của quy trình làm việc DoE là chạy trong CFD một tập hợp các ứng viên ban đầu để lấy mẫu không gian thiết kế một cách hiệu quả và cho phép chúng tôi xây dựng tập mô hình hồi quy ML đầu tiên để nghiên cứu ảnh hưởng của từng tính năng. Đầu tiên, chúng tôi tạo ra một nhóm N mẫu sử dụng Lấy mẫu siêu khối Latinh (LHS) hoặc một phương pháp lưới thông thường. Sau đó, chúng tôi chọn k các ứng viên để kiểm tra trong CFD bằng thuật toán đầu vào tham lam, nhằm mục đích tối đa hóa việc khám phá không gian thiết kế. Bắt đầu với một ứng viên cơ bản (thiết kế hiện tại), chúng tôi chọn lặp đi lặp lại các ứng viên cách xa tất cả các ứng viên đã được kiểm tra trước đó. Giả sử rằng chúng tôi đã thử nghiệm k kiểu dáng; đối với các ứng viên thiết kế còn lại, chúng tôi tìm thấy khoảng cách tối thiểu d đối với thử nghiệm k thiết kế:
Thuật toán đầu vào tham lam chọn ứng viên tối đa hóa khoảng cách trong không gian đặc trưng với các ứng viên đã thử nghiệm trước đó:
Trong DoE này, chúng tôi đã chọn ba ứng viên đầu vào tham lam và chạy những ứng viên đó trong CFD để đánh giá lực khí động học của họ (Cz). Các ứng cử viên đầu vào tham lam khám phá các giới hạn của không gian thiết kế và ở giai đoạn này, không có ứng viên nào trong số họ tỏ ra vượt trội hơn ứng viên cơ sở về lực xuống khí động học (Cz). Kết quả của vòng thử nghiệm CFD ban đầu này cùng với các thông số thiết kế được hiển thị trong bảng sau.
. | Chiều cao TE | Góc TE | Góc giữa LE | Min-Z | Chiều cao LE | Cz chuẩn hóa |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
GI 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
GI 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
GI 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
Các mô hình hồi quy ML ban đầu
Mục tiêu của mô hình hồi quy là dự đoán Cz cho bất kỳ sự kết hợp nào của năm thông số thiết kế. Với một tập dữ liệu nhỏ như vậy, chúng tôi ưu tiên các mô hình đơn giản, áp dụng quy định hóa mô hình để tránh trang bị quá mức và kết hợp các dự đoán của các mô hình khác nhau nếu có thể. Các mô hình ML sau đây đã được xây dựng:
- Bình phương nhỏ nhất thông thường (OLS)
- Hỗ trợ hồi quy vectơ (SVM) với nhân RBF
- Hồi quy quy trình Gaussian (GP) với nhân Matérn
- XGBoost
Ngoài ra, một mô hình xếp chồng hai cấp đã được xây dựng, trong đó các dự đoán của các mô hình GP, SVM và XGBoost được đồng hóa bởi một thuật toán Lasso để tạo ra phản hồi cuối cùng. Mô hình này được đề cập trong suốt bài đăng này là mô hình xếp chồng lên nhau. Để xếp hạng khả năng dự đoán của năm mô hình mà chúng tôi đã mô tả, một quy trình xác thực chéo lặp lại gấp k lần đã được thực hiện.
Tạo ứng viên thiết kế tiếp theo để kiểm tra trong CFD
Lựa chọn ứng viên nào để kiểm tra tiếp theo cần phải cân nhắc kỹ lưỡng. Nhà khí động học F1 phải cân bằng giữa lợi ích của việc khai thác các phương án mà mô hình ML dự đoán để cung cấp lực xuống cao với chi phí không thể khám phá các vùng chưa được khám phá của không gian thiết kế, điều này có thể cung cấp lực xuống thậm chí cao hơn. Vì lý do đó, trong quy trình DoE này, chúng tôi đề xuất ba ứng cử viên: một theo hướng hiệu suất và hai theo hướng khám phá. Mục đích của các ứng viên theo hướng khám phá cũng là cung cấp các điểm dữ liệu bổ sung cho thuật toán ML trong các vùng của không gian thiết kế nơi độ không chắc chắn xung quanh dự đoán là cao nhất. Điều này dẫn đến các dự đoán chính xác hơn trong vòng lặp thiết kế tiếp theo.
Tối ưu hóa thuật toán di truyền để tối đa hóa lực lượng
Để có được ứng viên có lực khí động học dự kiến cao nhất, chúng tôi có thể chạy dự đoán cho tất cả các ứng viên thiết kế có thể có. Tuy nhiên, điều này sẽ không hiệu quả. Đối với vấn đề tối ưu hóa này, chúng tôi sử dụng một thuật toán di truyền (GA). Mục tiêu là tìm kiếm hiệu quả thông qua một không gian giải pháp khổng lồ (thu được thông qua dự đoán ML của Cz) và trả về ứng cử viên tối ưu nhất. GAs có lợi khi không gian giải pháp phức tạp và không lồi, do đó các phương pháp tối ưu hóa cổ điển như giảm dần gradient là một phương tiện không hiệu quả để tìm ra giải pháp toàn cục. GA là một tập hợp con của các thuật toán tiến hóa và được lấy cảm hứng từ các khái niệm từ chọn lọc tự nhiên, trao đổi chéo di truyền và đột biến để giải quyết vấn đề tìm kiếm. Qua một loạt các lần lặp lại (được gọi là các thế hệ), các ứng cử viên tốt nhất của một nhóm ứng viên thiết kế được lựa chọn ngẫu nhiên ban đầu được kết hợp (giống như sao chép). Cuối cùng, cơ chế này cho phép bạn tìm ra những ứng viên tối ưu nhất một cách hiệu quả. Để biết thêm thông tin về GA, hãy tham khảo Sử dụng các thuật toán di truyền trên AWS cho các vấn đề tối ưu hóa.
Tạo các ứng cử viên theo hướng khám phá
Để tạo ra những gì chúng tôi gọi là các ứng cử viên theo hướng thăm dò, một chiến lược lấy mẫu tốt phải có khả năng thích ứng với tình huống hiệu ứng thưa thớt, trong đó chỉ một tập hợp con của các tham số ảnh hưởng đáng kể đến giải pháp. Do đó, chiến lược lấy mẫu nên dàn trải các ứng viên trên toàn bộ không gian thiết kế đầu vào nhưng cũng tránh các lần chạy CFD không cần thiết, thay đổi các biến ít ảnh hưởng đến hiệu suất. Chiến lược lấy mẫu phải tính đến bề mặt phản hồi được dự đoán bởi bộ hồi quy ML. Hai chiến lược lấy mẫu đã được sử dụng để thu được các ứng viên theo hướng thăm dò.
Trong trường hợp của Bộ điều chỉnh quy trình Gaussian (GP), độ lệch chuẩn của bề mặt phản hồi dự đoán có thể được sử dụng như một chỉ báo về độ không đảm bảo của mô hình. Chiến lược lấy mẫu bao gồm việc chọn ra khỏi nhóm N mẫu , ứng cử viên tối đa hóa . Bằng cách đó, chúng tôi đang lấy mẫu trong vùng của không gian thiết kế nơi mà bộ hồi quy ít tự tin nhất về dự đoán của nó. Theo thuật ngữ toán học, chúng tôi chọn ứng cử viên thỏa mãn phương trình sau:
Ngoài ra, chúng tôi sử dụng chiến lược lấy mẫu đầu vào và đầu ra tham lam, chiến lược này tối đa hóa cả khoảng cách trong không gian đặc trưng và không gian phản hồi giữa ứng viên được đề xuất và các thiết kế đã được thử nghiệm. Điều này giải quyết hiệu ứng thưa thớt tình huống bởi vì các ứng viên sửa đổi một tham số thiết kế có ít liên quan có phản hồi tương tự, và do đó khoảng cách trong bề mặt phản hồi là tối thiểu. Theo thuật ngữ toán học, chúng tôi chọn ứng cử viên thỏa mãn phương trình sau, trong đó hàm f là mô hình hồi quy ML:
Lựa chọn ứng viên, kiểm tra CFD và vòng lặp tối ưu hóa
Ở giai đoạn này, người dùng được giới thiệu với cả các ứng cử viên hướng đến hiệu suất và định hướng khám phá. Bước tiếp theo bao gồm chọn một tập hợp con các ứng cử viên được đề xuất, chạy mô phỏng CFD với các thông số thiết kế đó và ghi lại phản ứng khí động lực xuống.
Sau đó, quy trình làm việc DoE đào tạo lại các mô hình hồi quy ML, chạy tối ưu hóa thuật toán di truyền và đề xuất một tập hợp mới các ứng cử viên hướng đến hiệu suất và định hướng khám phá. Người dùng chạy một tập hợp con các ứng cử viên được đề xuất và tiếp tục lặp lại theo cách này cho đến khi đáp ứng các tiêu chí dừng. Các tiêu chí dừng thường được đáp ứng khi đạt được một ứng cử viên được coi là tối ưu.
Kết quả
Trong hình sau, chúng tôi ghi lại lực xuống khí động học chuẩn hóa (Cz) từ mô phỏng CFD (màu xanh lam) và mô phỏng đã dự đoán trước bằng cách sử dụng mô hình hồi quy ML được lựa chọn (màu hồng) cho mỗi lần lặp lại của quy trình làm việc DoE. Mục tiêu là tối đa hóa lực xuống khí động học (Cz). Bốn lần chạy đầu tiên (bên trái của đường màu đỏ) là đường cơ sở và ba ứng cử viên đầu vào tham lam đã nêu trước đó. Từ đó, một sự kết hợp giữa các ứng viên định hướng hiệu suất và định hướng khám phá đã được kiểm tra. Đặc biệt, các ứng cử viên ở lần lặp 6 và 8 là những ứng cử viên thăm dò, cả hai đều cho thấy mức độ suy yếu thấp hơn so với ứng viên ban đầu (lần lặp 1). Đúng như dự đoán, khi chúng tôi ghi nhận nhiều ứng cử viên hơn, dự đoán ML ngày càng chính xác, được biểu thị bằng khoảng cách giữa dự đoán và thực tế ngày càng giảm Cz. Ở lần lặp 9, quy trình làm việc DoE đã quản lý để tìm một ứng cử viên có hiệu suất tương tự với đường cơ sở và ở lần lặp 12, quy trình làm việc DoE được kết thúc khi ứng viên theo hướng hiệu suất vượt qua đường cơ sở.
Các thông số thiết kế cuối cùng cùng với giá trị lực ép chuẩn hóa kết quả được trình bày trong bảng sau. Mức lực xuống bình thường hóa cho ứng viên cơ sở là 0.975, trong khi ứng viên tối ưu cho quy trình làm việc DoE ghi lại mức lực xuống chuẩn hóa là 1.000. Đây là mức tăng tương đối quan trọng 2.5%.
Đối với ngữ cảnh, cách tiếp cận DoE truyền thống với năm biến số sẽ yêu cầu 25 mô phỏng CFD trả trước trước khi đạt được sự phù hợp đủ tốt để dự đoán mức tối ưu. Mặt khác, phương pháp học tập tích cực này hội tụ ở mức tối ưu trong 12 lần lặp lại.
. | Chiều cao TE | Góc TE | Góc giữa LE | Min-Z | Chiều cao LE | Cz chuẩn hóa |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Tối ưu | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Tầm quan trọng của tính năng
Hiểu được tầm quan trọng của tính năng tương đối đối với mô hình dự đoán có thể cung cấp thông tin chi tiết hữu ích về dữ liệu. Nó có thể giúp lựa chọn đối tượng địa lý với các biến ít quan trọng hơn bị loại bỏ, do đó làm giảm chiều của vấn đề và có khả năng cải thiện khả năng dự đoán của mô hình hồi quy, đặc biệt là trong chế độ dữ liệu nhỏ. Trong bài toán thiết kế này, nó cung cấp cho các nhà khí động học F1 một cái nhìn sâu sắc về những biến số nào là nhạy cảm nhất và do đó yêu cầu điều chỉnh cẩn thận hơn.
Trong quy trình này, chúng tôi đã triển khai một kỹ thuật bất khả tri theo mô hình được gọi là tầm quan trọng của hoán vị. Tầm quan trọng tương đối của mỗi biến được đo lường bằng cách tính toán sự gia tăng sai số dự đoán của mô hình sau khi xáo trộn ngẫu nhiên các giá trị cho riêng biến đó. Nếu một tính năng quan trọng đối với mô hình, thì sai số dự đoán sẽ tăng lên rất nhiều và ngược lại đối với các tính năng ít quan trọng hơn. Trong hình sau, chúng tôi trình bày tầm quan trọng của hoán vị đối với một Bộ điều chỉnh quy trình Gaussian (GP) dự đoán lực xuống khí động học (Cz). Chiều cao cạnh sau (TE-Height) được coi là quan trọng nhất.
Kết luận
Trong bài đăng này, chúng tôi đã giải thích cách các nhà khí động học F1 sử dụng mô hình hồi quy ML trong quy trình làm việc DoE khi thiết kế các hình học khí động học mới. Quy trình làm việc DoE được hỗ trợ bởi ML do AWS Professional Services phát triển cung cấp thông tin chi tiết về các thông số thiết kế nào sẽ tối đa hóa hiệu suất hoặc khám phá các vùng chưa được khám phá trong không gian thiết kế. Trái ngược với việc kiểm tra lặp đi lặp lại các ứng cử viên trong CFD theo kiểu tìm kiếm lưới, quy trình làm việc DoE được hỗ trợ bởi ML có thể hội tụ đến các thông số thiết kế tối ưu với số lần lặp ít hơn. Điều này giúp tiết kiệm cả thời gian và tài nguyên vì cần ít mô phỏng CFD hơn.
Cho dù bạn là một công ty dược phẩm đang tìm cách tăng tốc độ tối ưu hóa thành phần hóa học hay một công ty sản xuất đang tìm kiếm kích thước thiết kế cho các thiết kế mạnh mẽ nhất, quy trình làm việc của DoE có thể giúp tiếp cận các ứng viên tối ưu hiệu quả hơn. AWS Professional Services sẵn sàng bổ sung cho nhóm của bạn các kỹ năng và kinh nghiệm ML chuyên biệt để phát triển các công cụ hợp lý hóa quy trình làm việc DoE và giúp bạn đạt được kết quả kinh doanh tốt hơn. Để biết thêm thông tin, hãy xem Dịch vụ chuyên nghiệp của AWShoặc liên hệ với người quản lý tài khoản của bạn để liên hệ.
Về các tác giả
Pablo Hermoso Moreno là Nhà khoa học dữ liệu trong Nhóm dịch vụ chuyên nghiệp của AWS. Anh ấy làm việc với khách hàng trong các ngành sử dụng Học máy để kể những câu chuyện bằng dữ liệu và đưa ra các quyết định kỹ thuật sáng suốt hơn nhanh hơn. Nền tảng của Pablo là về Kỹ thuật Hàng không Vũ trụ và đã từng làm việc trong ngành công nghiệp đua xe thể thao, anh ấy quan tâm đến việc kết nối vật lý và kiến thức chuyên môn về lĩnh vực với ML. Khi rảnh rỗi, anh ấy thích chèo thuyền và chơi guitar.
- Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. TRUY CẬP MIỄN PHÍ.
- CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
- Nguồn: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Giới thiệu
- Tài khoản
- chính xác
- Đạt được
- đạt được
- ngang qua
- hoạt động
- Ngoài ra
- thêm vào
- Không gian vũ trụ
- thuật toán
- thuật toán
- Tất cả
- Đã
- Mặc dù
- đàn bà gan dạ
- Một
- phương pháp tiếp cận
- xung quanh
- AWS
- lý lịch
- Baseline
- trước
- được
- hưởng lợi
- BEST
- xây dựng
- kinh doanh
- ứng cử viên
- ứng cử viên
- khả năng
- xe hơi
- xe ô tô
- phí
- hóa chất
- sự lựa chọn
- khách hàng
- kết hợp
- kết hợp
- công ty
- phức tạp
- tự tin
- xem xét
- liên tiếp
- tụ lại
- có thể
- tạo
- Current
- dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- quyết định
- mô tả
- mô tả
- Thiết kế
- thiết kế
- thiết kế
- phát triển
- phát triển
- khác nhau
- khoảng cách
- miền
- lái xe
- động lực
- Cạnh
- hiệu lực
- hiệu quả
- hiệu quả
- Kỹ Sư
- Môi trường
- thành lập
- ví dụ
- dự kiến
- kinh nghiệm
- chuyên môn
- thăm dò
- khám phá
- các yếu tố
- Thời trang
- NHANH
- nhanh hơn
- Đặc tính
- Tính năng
- Hình
- Tên
- phù hợp với
- dòng chảy
- tiếp theo
- sau
- Freedom
- trước mặt
- chức năng
- GAS
- nói chung
- tạo ra
- tạo ra
- thế hệ
- các thế hệ
- Toàn cầu
- mục tiêu
- tốt
- GP
- rất nhiều
- lưới
- có
- cao
- giúp đỡ
- Ẩn giấu
- Cao
- cao hơn
- Độ đáng tin của
- Tuy nhiên
- HTTPS
- lớn
- hình ảnh
- Va chạm
- thực hiện
- tầm quan trọng
- quan trọng
- cải thiện
- Tăng lên
- tăng
- lên
- ngành công nghiệp
- ảnh hưởng
- thông tin
- thông tin
- thông báo
- đầu vào
- cái nhìn sâu sắc
- những hiểu biết
- lấy cảm hứng từ
- quan tâm
- điều tra
- IT
- nổi tiếng
- lớn
- hàng đầu
- Dẫn
- học tập
- Cấp
- Hạn chế
- Dòng
- ít
- tìm kiếm
- máy
- học máy
- quản lý
- giám đốc
- cách thức
- sản xuất
- toán học
- có nghĩa
- phương pháp
- Metrics
- Might
- tối thiểu
- ML
- kiểu mẫu
- mô hình
- Màn Hình
- chi tiết
- hầu hết
- xe thể thao
- nhiều
- Tự nhiên
- con số
- thu được
- tối ưu hóa
- Tối ưu hóa
- tối ưu
- Các lựa chọn
- gọi món
- Nền tảng khác
- một phần
- riêng
- đặc biệt
- hiệu suất
- Dược phẩm
- Vật lý
- chơi
- điểm
- hồ bơi
- có thể
- mạnh mẽ
- dự đoán
- dự đoán
- Dự đoán
- trình bày
- trước
- Vấn đề
- quá trình
- sản xuất
- chuyên nghiệp
- dự án
- hứa hẹn
- đề xuất
- đề xuất
- cho
- cung cấp
- mục đích
- cuộc đua
- đạt
- ghi
- giảm
- giảm
- đều đặn
- Quy định
- mối quan hệ
- còn lại
- đại diện
- sinh sản
- yêu cầu
- cần phải
- đòi hỏi
- Thông tin
- phản ứng
- Kết quả
- trở lại
- tròn
- chạy
- chạy
- Khoa học
- Nhà khoa học
- Tìm kiếm
- chọn
- Loạt Sách
- DỊCH VỤ
- định
- thiết lập
- chia sẻ
- thể hiện
- tương tự
- Đơn giản
- mô phỏng
- kỹ năng
- nhỏ
- So
- giải pháp
- Giải pháp
- động SOLVE
- Không gian
- chuyên nghành
- tốc độ
- thể thao
- Thể thao
- lan tràn
- Traineeship
- giai đoạn
- Tiêu chuẩn
- bắt đầu
- Những câu chuyện
- chiến lược
- Chiến lược
- nghiên cứu
- Học tập
- cao
- Bề mặt
- Mục tiêu
- nhóm
- Kỹ thuật
- kỹ thuật
- thử nghiệm
- Kiểm tra
- kiểm tra
- thế giới
- vì thế
- Thông qua
- khắp
- thời gian
- mất thời gian
- thời gian
- lốp xe
- bên nhau
- công cụ
- chạm
- đối với
- theo dõi
- truyền thống
- khám phá
- hiểu
- us
- sử dụng
- xác nhận
- giá trị
- Xe cộ
- ảo
- Điều gì
- Wikipedia
- gió
- không có
- làm việc
- công trinh
- thế giới
- sẽ
- năm